【Tensorflow|Keras】获取模型指定层的输出

MachineCYL

已于 2022-08-09 15:08:16 修改

阅读量5.7k

点赞数 9

分类专栏：其他文章标签： keras 人工智能深度学习

于 2022-08-09 14:56:15 首次发布

本文链接：https://blog.csdn.net/u011590738/article/details/126247488

版权

其他专栏收录该内容

6 篇文章

订阅专栏

本文介绍如何在TensorFlow的Keras中获取模型中间层的输出，包括通过网络层的index和name两种方式，并提供了具体的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

有时候，我们不但需要获取模型的最终输出结果。还需要获取模型中间层的输出结果（例如，要获取数据的Embbeding向量）

所以下面通过一个简单的例子，介绍一下在Tensorflow的Keras中，两种获取模型指定层输出的方式，分别是：

通过指定网络层的 index 来获取特定层的输出

dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.layers[1].output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)

通过指定网络层的 name 来获取特定层的输出

dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.get_layer('Dense_1').output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)

【注意】比较推荐的是通过指定网络层的 name 来获取特定层的输出，这就需要定义模型的网络层时，要给网络层命名；如果获取不到name，才用index来获取。

演示Demo

简单定义一个模型

import numpy as np
import tensorflow as tf

model = tf.keras.models.Sequential(name="test_model")
model.add(tf.keras.layers.Dense(20, activation='relu', input_dim=100))
model.add(tf.keras.layers.Dense(10, activation='relu', name="Dense_1"))
model.add(tf.keras.layers.Dense(1, activation='sigmoid', name="Dense_2"))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

model.summary()

# 随机生成训练数据
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# 模型训练
model.fit(data, labels, epochs=10, batch_size=32)

这边每个模型的网络层都定义一个名字，后面会用到。网络结构如下：

通过指定网络层的 index 来获取特定层的输出：

# 方案一: 使用layers index 来获取特定层的输出
dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.layers[1].output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)

print("[get output by layers index]")
print(dense1_output.shape)
print(dense1_output[0])

输出结果如下：

通过指定网络层的 name 来获取特定层的输出：

# 方案二: 使用网络层的 name 来获取特定层的输出
dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.get_layer('Dense_1').output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)

print("[get output by layers name]")
print(dense1_output.shape)
print(dense1_output[0])

输出结果如下：